AI落地的真正战场，在组织深处

来源：未尽研究

各位好，今天和大家分享一些最近的观察与初步思考。

过去几年，我们持续关注大模型能力边界的拓展，也看到市场不断为模型性能提升而兴奋。但与此同时，我越来越强烈地感受到，AI真正落地的摩擦依然非常大。AI从技术能力转化为企业价值，并不是打开一个对话框、接入一个模型就能完成的事情。它涉及商业模式、组织流程、系统集成、客户场景，以及企业自身竞争方式的重构。

因此，我们需要思考一个更具体的问题：AI的价值到底如何在企业中发生转移？AI技术公司如何进入客户组织？传统软件公司和行业公司又应该如何把AI变成自己的能力，而不是被AI平台取代？

AI革命不只是大模型，而是一整套技术栈

谈AI时，我们不能只看大模型本身。黄仁勋曾提出AI的“五层蛋糕”理论，从能源、芯片、基础设施，到模型和应用，展示了AI产业的完整技术栈。但从企业落地角度看，这个栈还需要更细分。

除了硬件、基础设施、模型和应用之外，AI进入企业还需要数据层、执行层和部署层。尤其是执行层，非常关键。

今天我们常常关注大模型打榜分数提升了多少，但当AI真正部署到企业内部时，问题远比模型能力复杂。AI不是模型越先进，就能自动解决企业问题。企业需要的不只是一个聊天框，而是一整套围绕模型运行的工具链、工作环境和执行体系。

最近业内常提到几个概念，例如Harness、Skills、智能体操作系统等。这些都说明，大模型本身只是核心能力，真正落地时还需要技能体系、工具调用、上下文工程、权限管理、流程编排和系统集成。这里面有大量具体、繁琐、甚至“脏活累活”的工作。

从这个意义上说，AI和历史上其他通用技术一样，真正进入千行百业时，必须经历复杂的工程化、组织化和场景化过程。

从技术叙事转向真实业务付费

从今年以来的硅谷市场来看，包括中国一些大模型公司在内，AI公司的估值又出现了新一轮提升。背后的重要驱动力，是智能体技术，尤其是编码智能体的突破。

以Claude Code为代表的产品，基本打通了智能体在编码场景中的能力。编码本身是数字技术领域的通用能力，一旦被智能体打通，它就会进一步渗透到知识工作中的大量垂直领域。

以Anthropic为代表的公司，也让市场看到，AI原生商业模式已经在企业服务中得到初步验证。它的企业年化收入在短期内实现高速增长，这种爆发式增长增强了资本市场对AI企业服务的信心。无论是美国还是中国，大模型公司估值最近的迅猛提升，都与这种信心有关。

但这也带来了一个新的问题：AI企业如何真正进入客户组织，并持续创造价值？

最近硅谷出现了一个值得关注的现象。OpenAI、Anthropic和Google Cloud都在不约而同地强化一类角色：FDE，也就是Forward-Deployed Engineer，通常可以译为“前向部署工程师”。

这类工程师不是传统意义上的售前，也不是只做PPT方案的顾问。他们会深入客户组织内部，帮助客户定义问题、理解业务流程、搭建系统、部署模型，并把解决方案转化为新的产品抽象。

这个模式很大程度上受到Palantir的启发。

Palantir模式为什么被重新关注

Palantir是一家有争议的公司，但它在美国国防、情报、政府部门，以及华尔街大型企业中的数据分析和智能体部署方面，积累了非常成功的经验。它的核心能力，不只是卖软件，而是把软件、数据、流程和组织决策深度结合起来。

现在，OpenAI、Anthropic和Google Cloud都在学习这种模式。原因很简单：B端企业服务已经被证明是AI商业化的重要方向，而要服务大型企业，仅仅提供API或模型远远不够。

大型企业真正需要的是一支“软件工程施工队”。这支团队要进入企业内部，帮助客户把问题定义清楚，把数据和流程梳理出来，把AI能力嵌入业务系统，并在落地过程中不断形成新的产品抽象。最终，它既为客户创造价值，也反过来强化AI公司的平台能力。

这是一种闭环：进入客户组织，理解业务问题，完成系统部署，形成产品抽象，再强化平台能力。

国内一些大型科技公司和软件公司，现在也在研究Palantir模式。因为它看起来既像咨询公司，又像软件公司，也像系统集成商。但它交付的不是一次性方案，而是一套可以持续运行、持续反馈、持续演进的AI系统。

这可能是AI价值链下一步最重要的变化之一。

企业部署AI，不只是为了降本

过去三年，AI行业主要讲的是技术叙事：模型更强、参数更多、推理更快、成本更低。但进入2026年，随着智能体技术逐渐变得可用、易用，市场开始转向另一个问题：AI如何创造真实业务价值？

很多人以为企业部署AI主要是为了降本。但在现实中，企业采用AI往往首先会增加成本。

企业需要前期技术投入，需要招聘优秀人才，需要改造原有系统，也需要重组数据和流程。在一些场景中，token成本甚至可能高于原有人力成本。因此，如果只用“降本”来解释企业采用AI，往往是不够的。

企业更关心的是：AI能否改变我的竞争方式？能否拓展我的业务边界？能否重组我的组织流程？能否让我进入过去无法进入的市场？

同时，大模型之间的趋同性正在加强。对很多企业来说，选择某个模型本身，未必能形成明显差异。真正的差异，来自模型如何嵌入企业流程，如何理解行业语义，如何驱动组织行动。

这也是Palantir的Ontology，也就是“本体”概念值得重视的原因。

Ontology的核心，是组织孪生

Palantir的核心理念是Ontology。这个词有很多解释，我更愿意把它理解为一种“组织孪生”。

所谓Ontology，不只是企业数据的集合，也不是静态数据库。它是在平台中定义企业业务对象、对象属性、对象关系、行动规则和权限逻辑的一套统一模型。

它的目标，是创造一个能够实时反映并驱动企业真实业务流程的组织孪生。

因此，Ontology的出发点不是数据，而是决策。它不是为了把数据存起来，而是为了把企业如何运转、如何判断、如何行动，抽象成一个可被AI理解和执行的系统模型。

没有Ontology，软件公司就容易退化成大型系统集成商。它只能做数据接入和系统部署，却很难真正改变客户的决策和行动方式。

在企业AI落地中，嵌入深度非常关键。我把这种深度分为五层：

第一是数据层。企业把各类数据汇集起来，这是最浅的一层。

第二是语义层。AI不仅要看到数据，还要理解这些数据在企业业务中的含义。

第三是流程层。AI要进入企业具体工作流，而不是停留在外部问答。

第四是动作层。AI要能够指导下一步行动，甚至在授权范围内执行行动。

第五是治理层。AI系统要可控、可审计、可追责，能够适应金融、风控、医疗、能源、政务等强监管场景。

尤其在金融和风控领域，治理层非常重要。AI绝不能只是大模型外挂，也不能只是把数据做成一个池子。它必须嵌入流程，理解不同角色、部门和权限之间的关系，并能指导业务中的下一步行动。

智能体重新编排组织流程的深度，决定了它能否为客户创造真实、持续的价值。

AI平台的价值，在于把大模型变成可控系统

Palantir的AIP，也就是AI Platform，展示了一个重要方向：AI平台不是简单把大模型交给企业，而是把大模型变成企业内部可控、可审计、可执行的智能体系统。

这个过程包括模型接入、上下文工程、本体建模、业务应用和自动化执行。它的目标，是把模型能力转化为企业流程中的可操作能力。

从这个角度看，AI落地不是“模型替代人”，而是“模型进入系统”。它不是一个单点工具，而是一套嵌入企业组织、流程和治理结构的操作系统。

AI价值链中的两类公司：AI+公司与+AI公司

在AI产业中，可以从两个角度理解公司类型。

第一类是“AI+公司”。这类公司本身就是AI技术和智能的提供方，主要通过模型、token、API和智能体平台赚钱。OpenAI、Anthropic、Google DeepMind、DeepSeek等都属于这一类。

它们掌握底层模型能力，并可能进一步向上进入编码、金融、咨询、企业服务等知识工作领域。Claude Code等产品已经开始对很多软件工具、开发平台和SaaS公司形成冲击。

第二类是“+AI公司”。它们来自各行各业，本身拥有行业客户、业务流程和行业知识，正在用AI增强自己的业务能力。这类公司多数都不是模型公司，但它们掌握具体行业的入口和场景。

在这两类公司之间，还有大量垂直软件公司和行业SaaS公司。它们既不是底层模型公司，也不是最终行业客户，而是行业流程和软件入口的拥有者。

这类公司面临AI带来的直接的、迫切的挑战。

首先，原有软件界面可能被AI绕过。用户不再打开一个个软件，而是直接通过智能体完成任务。

其次，工作流程可能被大平台吸收。智能体平台一旦掌握流程编排能力，就可能把原来属于垂直软件的部分价值拿走。

第三，差异化可能被削弱。如果模型能力越来越趋同，软件公司原有功能又被智能体重新组织，它们必须重新回答：自己的护城河到底在哪里？

但这类公司并不需要过度悲观。它们也有非常重要的固有优势。

第一，它们懂行业。大模型公司拥有大量数据，但垂直软件公司掌握行业语义、业务对象、规则和真实流程。

第二，它们掌握客户系统入口。它们已经部署在客户内部，拥有客户关系、使用习惯和信任基础。

第三，它们拥有合规和治理经验。在金融、医疗、能源、政务等强监管领域，真正理解行业规则、责任边界和审计要求的，往往不是通用模型公司，而是长期服务这些行业的软件和技术公司。

以医疗健康为例，虽然大模型公司不断强调AI可以辅助医生、改善健康服务，但美国医疗健康领域的劳动生产率并没有因此明显提升，成本反而继续上升。这说明，在强监管、重流程、重责任的领域，AI并不会因为模型强大就自动创造价值。真正能创造价值的，是深入行业、理解流程、掌握治理经验的系统性落地能力。

垂直软件公司如何在AI时代保持优势

对于垂直软件公司和行业技术服务商来说，关键不是简单接入一个模型，而是要把自身优势转化为AI时代的新护城河。

第一，要把业务对象本体化。

每家公司都掌握自己行业中的对象、关系、规则和动作。垂直软件公司最有条件把这些内容抽象出来，形成自己的行业Ontology。也就是说，要把业务流程、决策逻辑、权限关系和行动规则，变成可编程、可调用、可执行的系统模型。

这可能是行业软件公司保持优势的关键。

第二，要把AI嵌入工作流，而不是停留在聊天框。

企业部署大模型时，不能只看到模型本身。模型进入企业，需要配套工具、工作环境、操作系统、权限体系和行业知识。在很多情况下，这些能力比模型本身更重要。

真正有价值的AI，不是回答一个问题，而是进入流程、理解上下文、调用工具、推动行动，并在系统中形成反馈。

第三，模型供应商必须多元化。

企业不应过度依赖单一模型供应商。因为模型供应商在提供服务的同时，也在学习和理解行业知识。如果企业把编排权、流程权和数据入口完全交给单一模型平台，就可能失去自己的核心控制力。

因此，企业应该兼容闭源和开源模型，保持模型层的灵活性。真正的护城河不在模型本身，而在行业数据、行业语义、业务闭环、权限体系和客户关系。

AI落地的核心，不是模型能力单点突破，而是模型如何进入企业系统，如何理解行业语义，如何重组业务流程，如何成为可控、可审计、可执行的智能体系统。

对于AI公司来说，未来竞争的关键不只是模型，而是进入客户组织、解决真实问题、形成产品抽象的能力。

对于垂直软件公司和行业技术服务商来说，AI既是挑战，也是机会。界面可能被绕过，流程可能被平台吸收，但行业语义、客户信任、合规经验和流程控制权，仍然是非常重要的资产。

AI时代真正的企业价值，不会只来自一个更强的大模型，而会来自模型、数据、流程、动作和治理的深度结合。谁能把这些能力组织起来，谁就能在AI落地的下一阶段获得真正的商业价值。

（本文为作者在金仕达智能化创新大会上的演讲，文章根据演讲速记用AI整理出来，经过审核校对。 ）